Release Time:2019-03-10  Hits:

Indexed by: Journal Article

Date of Publication: 2016-05-20

Journal: 大连理工大学学报

Included Journals: Scopus、CSCD、ISTIC、PKU

Volume: 56

Issue: 3

Page Number: 270-278

ISSN: 1000-8608

Key Words: 牵引控制单元;故障诊断;极限学习机;差分进化算法

Abstract: 地铁牵引控制单元（TCU ）在地铁运行过程中有重要的作用，及时有效地对其进行故障诊断，是保证地铁正常运行的重要环节。针对传统故障诊断方法的学习速度慢、易陷入局部最优、预测精度较差等缺点，提出一种使用自适应差分进化算法（S aC E ）进行优化的极限学习机（SaCE‐ELM ），即通过自适应差分进化算法对极限学习机的输入权重、隐含层参数和输出权重进行优化。其中，差分进化算法的变异策略通过基于混沌序列的自适应机制产生，其他参数使用正态分布随机生成；网络的输出权重使用 Moore‐Penrose广义逆矩阵计算得出。 SaCE‐ELM不需要人工选择变异策略和参数，自适应策略比SaE‐ELM更加简单。实验结果表明，与E‐ELM、SaE‐ELM、LM‐NN、SVM 相比，SaCE‐ELM 具有更好的预测精度。此外， SaCE‐ELM在所有数据集上训练时间比SaE‐ELM 和SVM 更少，有效地改善了生成模型的效率。